机器学习资源全集

机器学习（Machine Learning）近i些年火了，Python编程薪酬节节高攀，技术大虾们学习要与时俱进！

大学四年学的够用一辈子的时代早已一去不复返了，时常需要给你你的脑子充点电吧，因为他是智能脑。

有不少有用的流程图和机器学习算法表。 这里只包括所发现的最全面的速查表。

神经网络架构（NeuralNetwork Architectures）

来源：http://www.asimovinstitute.org/neural-network-zoo/



Microsoft Azure算法流程图（Microsoft AzureAlgorithm Flowchart）

来源：https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet



 

 

SAS算法流程图（SAS Algorithm Flowchart）

来源：http://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/





 

算法总结（AlgorithmSummary）

来源：http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/



 

来源: http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/
 



 

 

算法优缺点（AlgorithmPro/Con）

来源：https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend



 

Python

当然Python有很多在线资源。 对于本节只包括所遇到的最好的速查表。

 

算法（Algorithms）

来源：https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/



 

Python基础（Python Basics）

来源：http://datasciencefree.com/python.pdf



来源：https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA



 

Numpy

来源：https://www.dataquest.io/blog/numpy-cheat-sheet/



 

来源：http://datasciencefree.com/numpy.pdf



 

来源：https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE



 

来源：https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb



 

Pandas

来源：http://datasciencefree.com/pandas.pdf



 

来源：https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U



 

来源：https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb

Matplotlib

来源：https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet

 

来源：https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb

 

Scikit Learn

来源：http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html

来源：http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html

来源：https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb

 

Tensorflow

来源：https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb

 

Pytorch

来源：https://github.com/bfortuner/pytorch-cheatsheet

数学（Math）

如果你真的想了解机器学习，那么需要对统计（特别是概率）、线性代数和微积分的理解打下坚实的基础。在本科期间我辅修数学，但是我肯定需要复习这些知识。 这些速查表提供了大多数需要了解最常见的机器学习算法背后的数学。

 

概率（Probability）

来源：http://www.wzchen.com/s/probability_cheatsheet.pdf

 

线性代数（Linear Algebra）

来源：https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf



 

统计学（Statistics）

来源：http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf



 

微积分（Calculus）

来源：http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N



转自：全球人工智能 公众号；